随着科技的发展,从海量数据中获取信息已成为当前机器学习的热点研究问题。在实际应用中,对大量的数据赋予人工标记需要消耗大量的人力物力,从而限制了已标记样本的数量,也限制了机器学习的发展。迁移学习利用大量相关领域的已标记样本帮助少量已标记样本进行学习克服了传统机器学习的缺点,成为当前机器学习研究的热点。分类器之间的差异性是影响分类器集成的一个重要因素,因此,分类器之间的差异性也对迁移学习算法的性能产生了影响。利用粒子群优化算法对样本特征权重优化产生随机特征子空间,将随机特征子空间应用在迁移学习训练过程中,实现增加分类器之间的差异性,提高迁移学习算法性能的目的。针对Tr Ada Boost中源领域样本权重收敛过快的问题,提出了基于粒子群的自适应Tr Ada Boost算法,在随机特征子空间内利用源领域样本帮助目标领域样本训练分类器,引入校正系数更新源领域样本的权值。针对迁移学习中源领域与目标领域分布差异过大导致负迁移的问题,提出了基于粒子群的加权多源Tr Ada Boost算法。利用粒子群优化算法选出不同的源领域和目标领域的随机特征子空间,在随机特征子空间内根据源领域训练的分类器的测试准确率对不同的源领域设置相应的权重,使不同的源领域对目标任务的影响不同,减弱无关样本对目标任务学习的影响,利用多个源领域有效的提高目标任务的学习性能。数据集上的对比实验验证了所提两个算法的可行性和有效性。